As moléculas são os blocos de construção da vida cotidiana. Muitos materiais são compostos por eles, um pouco como um modelo LEGO consiste em uma infinidade de tijolos diferentes. Mas, embora os blocos de LEGO individuais possam ser simplesmente deslocados ou removidos, isso não é tão fácil no nanomundo.
Átomos e moléculas se comportam de uma maneira completamente diferente dos objetos macroscópicos e cada tijolo requer seu próprio ‘manual de instruções’. Cientistas de Jülich e Berlim desenvolveram agora um sistema de inteligência artificial que aprende autonomamente como agarrar e mover moléculas individuais usando um microscópio de tunelamento. O método, que foi publicado na Science Advances, não é relevante apenas para a pesquisa, mas também para novas tecnologias de produção, como a impressão molecular 3-D.
Prototipagem rápida, a produção rápida e econômica de protótipos ou modelos – mais conhecida como impressão 3-D – há muito se estabeleceu como uma ferramenta importante para a indústria. “Se este conceito pudesse ser transferido para a nanoescala para permitir que moléculas individuais fossem especificamente colocadas juntas ou separadas novamente como os tijolos de LEGO, as possibilidades seriam quase infinitas, dado que existem cerca de 1060 tipos concebíveis de moléculas”, explica o Dr. Christian Wagner, chefe do grupo de trabalho ERC sobre manipulação molecular em Forschungszentrum Jülich.
No entanto, há um problema. Embora o microscópio de tunelamento de varredura seja uma ferramenta útil para mover moléculas individuais para frente e para trás, uma “receita” personalizada especial é sempre necessária para guiar a ponta do microscópio para organizar as moléculas espacialmente de maneira direcionada. Essa receita não pode ser calculada, nem deduzida por intuição – a mecânica em nanoescala é simplesmente muito variável e complexa. Afinal, a ponta do microscópio não é, em última análise, uma pinça flexível, mas sim um cone rígido. As moléculas simplesmente aderem levemente à ponta do microscópio e só podem ser colocadas no lugar certo por meio de padrões de movimento sofisticados.
“Até o momento, esse movimento direcionado de moléculas só foi possível à mão, por tentativa e erro. Mas com a ajuda de um sistema de controle de software autônomo de autoaprendizagem, agora conseguimos pela primeira vez encontrar uma solução para isso diversidade e variabilidade em nanoescala, e na automação deste processo “, disse o satisfeito Prof. Dr. Stefan Tautz, chefe do Instituto de Nanociência Quântica de Jülich.
A chave para esse desenvolvimento está no chamado aprendizado por reforço, uma variante especial do aprendizado de máquina. “Não prescrevemos um caminho de solução para o agente de software, mas recompensamos o sucesso e penalizamos o fracasso”, explica o Prof. Dr. Klaus-Robert Müller, chefe do departamento de Aprendizado de Máquina da TU Berlin. O algoritmo tenta repetidamente resolver a tarefa em questão e aprende com suas experiências. O público em geral tomou conhecimento da aprendizagem por reforço há alguns anos, por meio do AlphaGo Zero. Esse sistema de inteligência artificial desenvolveu de forma autônoma estratégias para vencer o jogo altamente complexo de Go sem estudar jogadores humanos – e depois de apenas alguns dias, foi capaz de derrotar jogadores de Go profissionais.
“No nosso caso, o agente recebeu a tarefa de remover moléculas individuais de uma camada na qual elas são mantidas por uma complexa rede de ligações químicas. Para ser mais preciso, eram moléculas de perileno, como as usadas em corantes e luz orgânica. díodos emissores “, explica o Dr. Christian Wagner. O desafio especial aqui é que a força necessária para movê-los nunca deve exceder a força da ligação com a qual a ponta do microscópio de varredura por tunelamento atrai a molécula, pois de outra forma essa ligação se quebraria. “A ponta do microscópio, portanto, deve executar um padrão de movimento especial, que antes tínhamos que descobrir à mão, literalmente”, acrescenta Wagner. Enquanto o agente de software inicialmente executa ações de movimento completamente aleatórias que quebram a ligação entre a ponta do microscópio e a molécula, ao longo do tempo ele desenvolve regras sobre qual movimento é mais promissor para o sucesso em qual situação e, portanto, fica melhor a cada ciclo.
No entanto, o uso de aprendizagem por reforço na faixa nanoscópica traz consigo desafios adicionais. Os átomos de metal que compõem a ponta do microscópio de tunelamento podem acabar mudando ligeiramente, o que altera a força da ligação à molécula a cada vez. “Cada nova tentativa aumenta o risco de uma mudança e, portanto, da quebra do vínculo entre a ponta e a molécula. O agente de software é, portanto, forçado a aprender de maneira particularmente rápida, pois suas experiências podem se tornar obsoletas a qualquer momento”, Prof. Tautz explica. “É um pouco como se a rede viária, as leis de trânsito, a carroceria e as regras de operação do veículo mudassem constantemente durante a condução autônoma.” Os pesquisadores superaram esse desafio fazendo com que o software aprendesse um modelo simples do ambiente no qual a manipulação ocorre em paralelo com os ciclos iniciais. O agente então treina simultaneamente na realidade e em seu próprio modelo, o que tem o efeito de acelerar significativamente o processo de aprendizagem.
“É a primeira vez que conseguimos reunir inteligência artificial e nanotecnologia”, enfatiza Klaus-Robert Müller. “Até agora, isso foi apenas uma ‘prova de princípio'”, acrescenta Tautz. “No entanto, estamos confiantes de que nosso trabalho abrirá o caminho para a construção automatizada assistida por robô de estruturas supramoleculares funcionais, como transistores moleculares, células de memória ou qubits – com velocidade, precisão e confiabilidade muito além do que é atualmente possível. ”
Publicado em 04/09/2020 17h44
Artigo original:
Estudo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: